Una clasificación inspirada en la mecánica cuántica para estados mixtos aleatorios

Por qué importan los patrones cuánticos ocultos

Tecnologías cuánticas como la comunicación ultra-segura y nuevos ordenadores potentes dependen de un tipo extraño de vínculo entre partículas llamado correlaciones, en particular el entrelazamiento. En el laboratorio, sin embargo, los sistemas cuánticos reales son desordenados y ruidosos, lo que dificulta saber qué clase de correlaciones están realmente presentes. Este artículo presenta una nueva forma de ordenar automáticamente estados cuánticos ruidosos en tres familias amplias — no correlacionados, correlacionados clásicamente y verdaderamente entrelazados — usando ideas tomadas de cómo un dispositivo cuántico intentaría distinguir los estados. El método se ejecuta en un ordenador convencional pero está guiado desde cero por la física cuántica.

Ordenar estados cuánticos como el correo electrónico

Los ingenieros usan cada vez más aprendizaje automático para reconocer patrones en datos cuánticos, de forma similar a cómo los filtros de spam ordenan el correo electrónico. Algunos enfoques se ejecutan directamente en hardware cuántico, mientras que otros usan algoritmos clásicos que simplemente se inspiran en la teoría cuántica. Un punto de referencia clave para estos métodos es si pueden clasificar correctamente diferentes patrones de correlación en pequeños sistemas de bits cuánticos (qubits). Para dos y tres qubits, los estados pueden ser completamente independientes, mezclados solo clásicamente o genuinamente entrelazados de maneras que impulsan las tecnologías cuánticas. Distinguir estos casos es sencillo para estados idealizados y perfectamente preparados; se vuelve mucho más desafiante una vez que entran imperfecciones y ruido, produciendo los llamados estados mixtos que combinan muchas posibilidades.

Un clasificador inspirado en mediciones cuánticas

Los autores parten de un marco llamado Pretty-Good-Measurement (PGM), probado previamente en estados puros ideales. En la teoría cuántica, una medida puede diseñarse para distinguir varias posibles estados con la mayor fiabilidad posible, dadas muestras de cada opción. El PGM es una receta concreta para una medida casi óptima de ese tipo. Los investigadores traducen esta idea a una regla de clasificación para datos numéricos: primero convierten cada estado cuántico del conjunto de entrenamiento en una representación matricial y luego calculan una matriz “protótipo” promedio para cada clase. A partir de estos prototipos y sus frecuencias, construyen matemáticamente un conjunto de operadores similares a medidas que, al aplicarse a un nuevo estado, devuelven puntuaciones que indican la probabilidad de pertenecer a cada clase. A diferencia de las redes neuronales, este procedimiento no requiere entrenamiento iterativo; una vez conocidas las medias de clase, la regla de decisión queda fijada matemáticamente.

Generar conjuntos de datos cuánticos justos y realistas

Para probar su método de forma imparcial, los autores deben generar estados mixtos aleatorios que realmente abarquen el panorama completo de posibles correlaciones, sin sesgos ocultos. Las formas ingenuas de muestrear matrices tienden a producir estados casi puros o casi completamente aleatorios, perdiendo gran parte del terreno intermedio interesante. En su lugar, el equipo usa construcciones basadas en simetría de la teoría cuántica: parten de estados puros elegidos uniformemente al azar en un sistema mayor y matemáticamente “trazan” un entorno no observado, lo que deja estados mixtos para los qubits de interés. Al elegir con cuidado el tamaño de este entorno, pueden controlar cuánto ruido presentan los estados resultantes y con qué frecuencia aparece el entrelazamiento. Definen reglas operativas claras para etiquetar cada estado — usando pruebas estándar para decidir si un estado es separable, parcialmente correlacionado o ciertamente entrelazado — y construyen conjuntos de datos equilibrados para sistemas de dos y tres qubits.

¿Qué rendimiento tiene el enfoque inspirado en la cuántica?

Con estos conjuntos de datos en mano, el clasificador PGM se enfrenta a una gama de métodos clásicos bien conocidos, incluidas árboles de decisión, bosques aleatorios, máquinas de vector soporte y redes neuronales. Para sistemas de dos qubits, el PGM alcanza precisiones balanceadas por encima del 90 por ciento, cerca de los mejores modelos neuronales y basados en kernels. Para problemas de tres qubits, donde la estructura de las correlaciones se vuelve más rica y sutil, el PGM mantiene o incluso mejora su rendimiento relativo, igualando de nuevo a las técnicas clásicas líderes. Cuando los autores refinan la tarea para distinguir varios sabores diferentes de estados separables de tres qubits, el problema se vuelve más difícil para todos los métodos. Aun así, el PGM sigue siendo competitivo: captura los patrones principales pero, como otros clasificadores, ocasionalmente confunde clases estrechamente relacionadas cuyos signos estadísticos se solapan de forma natural.

Qué significa esto para futuras herramientas cuánticas

Para un no especialista, el mensaje central es que existe una manera fundamentada de dejar que las reglas de la física cuántica guíen cómo entrenamos máquinas para reconocer recursos cuánticos — sin necesidad de acceso a un ordenador cuántico real. El clasificador Pretty-Good-Measurement ofrece una receta transparente y con base física para ordenar estados cuánticos ruidosos según el tipo de correlaciones que contienen. Rinde a la par con modelos sofisticados de cajón negro a la vez que ofrece vínculos más claros con cantidades medibles y posibles vías para implementación en hardware. A medida que los dispositivos cuánticos crezcan en tamaño y complejidad, herramientas clásicas inspiradas en la cuántica como esta podrían convertirse en útiles caballos de trabajo para evaluar, diagnosticar y, en última instancia, aprovechar el entrelazamiento en entornos realistas e imperfectos.

Cita: Sergioli, G., Cuccu, C., Rieger, C.S. et al. A quantum-inspired classification for random mixed states. Sci Rep 16, 10668 (2026). https://doi.org/10.1038/s41598-026-44068-5

Palabras clave: entrelazamiento cuántico, aprendizaje automático cuántico, estados cuánticos mixtos, clasificación de estados cuánticos, medida bastante buena